- 歡迎使用超級蜘蛛查，網站外鏈優化，收藏快捷鍵 CTRL + D
SEO优化基础知识，网站robots.txt协议你知道多少？
大部分網站都有一個robots協議，也稱為，爬蟲協議或機器人協議。以文本文件格式存在，一般都叫做robots.txt，是網站告訴搜索引擎蜘蛛程序哪些頁面是可以抓取，哪些頁面是拒絕抓取的。當搜索引擎蜘蛛來訪問網站的時候，第一件事就是先讀取robots文件，然后遵循協議進行對網站進行訪問抓取。如果網站不存在robots協議，那么會被視為可以抓取網站上的所有內容。包括敏感隱私文件。所有建議是網站都應該有robots協議。
一、什么是robots協議文件
robots協議算是用來確保網站隱私信息不被泄露，通過robots協議定義的規則對搜索引擎抓取網站內容做了約定，說白話解釋，就是告訴蜘蛛，某些頁面是不對蜘蛛開放訪問的。一般存放在網站的根目錄，但是說白了，各大搜索引擎會抓取嗎？
個人覺得是都抓取的，可能只是在對頁面進行加入索引庫的時候進行處理，那些頁面不加入索引庫，因為畢竟搜索引擎說白了就是數據公司，不會放過每一個數據。當然這個也只是猜測，我們做網站優化，對于robots文件做到我們應該做的就好。
Robot 協議中加入網站后臺的話可用*號代替一些字符來保證安全。
Robots 協議能更好的輔助搜索引擎蜘蛛抓取我們的網站提高抓取效率。
網站上線后當天如果還沒修改完畢可以利用
User-agent: * Disallow: /
來屏蔽所有搜索引擎蜘蛛
二、robots協議的寫法格式
1、允許所有搜索引擎蜘蛛：
User-agent: * Allow: /
另一寫法：
User-agent: * Disallow:
2、僅允許特定的百度蜘蛛：
User-agent: baiduspider Allow:
3、攔截所有的搜索引擎蜘蛛：
User-agent: * Disallow: /
4、禁止所有搜索引擎訪問特定目錄：
User-agent: * Disallow: /cgi-bin/ Disallow: /images/ Disallow: /tmp/ Disallow: /private/
5、僅禁止壞爬蟲訪問特定目錄（BadBot用真實的名字代替）：
User-agent: BadBot Disallow: /private/
6、禁止所有機器人訪問特定文件類型[2]：
User-agent: * Disallow: /*.php$ Disallow: /*.js$ Disallow: /*.inc$ Disallow: /*.css$
三、robots協議的一些使用誤區
1，假設網站上的所有文件都同意蜘蛛抓取，沒有什么隱私文件可隱藏不見的。那是不是網站就可以不必要增加robots協議文件了呢？答案當然是否定的。如果不存在robots協議文件，那搜索引擎蜘蛛將會對網站所有頁面都進行抓取，包括404頁面，404頁面抓取收錄會對網站造成過多重復頁面的負面。而且蜘蛛訪問robots.txt的時候也是會給蜘蛛返回404錯誤。
2，robots協議文件中設置所有文件都可以被蜘蛛抓取，并不能增加網站的收錄。網站程序中的一些腳本文件，CSS文件，IMG文件等等跟網站內容不相關的文件也會被蜘蛛抓取，并不會對網站收錄有好的作用。甚至可能被認為內容與主題不符而被受到懲罰。那豈不是得不償失。
3，過多蜘蛛對所有文件進行抓取，也完全是在浪費服務器的資源，造成服務器卡頓，反而會影響用戶正常訪問，同時對蜘蛛訪問也有影響，如果蜘蛛抓取過慢會認為網站打開過慢，不僅僅導致整個站點的頁面收錄受到影響，而且會被受到網站服務器過慢懲罰。
四、什么樣的文件可以設置不被蜘蛛抓取
網站中不需要搜索引擎蜘蛛抓取的文件有：后臺管理文件、程序腳本、附件、數據庫文件、編碼文件、樣式表文件、模板文件、導航圖片和背景圖片等等。
可以在robots.txt文件中作出如下設置：
User-agent: * Disallow: /admin/ 后臺管理文件 Disallow: /require/ 程序文件 Disallow: /attachment/ 附件 Disallow: /images/ 圖片 Disallow: /data/ 數據庫文件 Disallow: /template/ 模板文件 Disallow: /css/ 樣式表文件 Disallow: /lang/ 編碼文件 Disallow: /script/ 腳本文件
如果你的網站是動態網頁，并且這些動態網頁創建了靜態副本，方便搜索蜘蛛更容易抓取。那么你需要在robots.txt文件里設置避免動態網頁被蜘蛛索引，以保證這些網頁不會被視為含重復內容。
robots.txt文件里還可以直接包括在sitemap文件的鏈接。
就像這樣：Sitemap: http://www.sztqnet.com/sitemap.xml
目前對此表示支持的搜索引擎公司有Google, Yahoo, Ask and MSN。而中文搜索引擎公司，顯然不在這個圈子內。這樣做的好處就是，站長不用到每個搜索引擎的站長工具或者相似的站長平臺，去提交自己的sitemap文件，搜索引擎的蜘蛛自己就會抓取robots.txt文件，讀取其中的sitemap路徑，接著抓取其中相鏈接的網頁。
合理使用robots.txt文件還能避免訪問時出錯。比如，不能讓搜索者直接進入購物車頁面。因為沒有理由使購物車被收錄，所以你可以在robots.txt文件里設置來阻止搜索者直接進入購物車頁面。
五、robots協議文件的黑帽SEO作用
禁止快照編輯，要防止所有搜索引擎顯示您網站的快照，請將此元標記置入網頁<HEAD> 部分：
<meta name="robots" content="noarchive">
要允許其他搜索引擎顯示快照，但僅防止百度搜索引擎顯示，請使用以下標記：
<meta name="Baiduspider" content="noarchive">
六、常見Robots名稱
google蜘蛛：googlebot
百度蜘蛛：baiduspider
搜狗蜘蛛：sogouspider
360蜘蛛：360Spider
yahoo蜘蛛：slurp
alexa蜘蛛：ia_archiver
msn蜘蛛：msnbot
altavista蜘蛛：scooter
lycos蜘蛛：lycos_spider_(t-rex)
alltheweb蜘蛛：fast-webcrawler/
inktomi蜘蛛：slurp
七、robots協議的一些無法解決的問題
Robots協議并不是多么高級的技術，而只是互聯網中一種各個機構互相尊重的協議，好比私家花園的門口掛著“閑人免進”，尊重者繞道而行，不尊重者依然可以推門而入。目前，Robots協議在實際使用中，還存在一些無法解決的問題。
比如：robots.txt本身也是網站文件，也是需要抓取的，蜘蛛爬蟲出于效率考慮，一般不會每次抓取網站網頁之前都爬取一遍robots.txt，本來robots.txt更新就不頻繁。通常爬蟲的做法是先抓取一次，解析后緩存下來，而且是相當長的時間不會再次抓取robots.txt。假設網站管理員更新了robots.txt，修改了某些規則，但是對爬蟲來說并不會立刻生效，只有當爬蟲下次抓取robots.txt之后才能看到最新的內容。尷尬的是，爬蟲下次抓取robots.txt的時間并不是由網站管理員控制的。所以，有些搜索引擎提供了web工具可以讓網站管理員通知搜索引擎那個url發生了變化，建議重新抓取。
注意，此處是建議，即使你通知了搜索引擎，搜索引擎何時抓取仍然是不確定的，只是比完全不通知要好點。至于好多少，那就看搜索引擎的良心和技術能力了。
在互聯網的大部分公司，有些爬蟲不太遵守或者完全忽略robots.txt，不排除開發人員能力的問題，比如說根本不知道robots.txt。另外，本身robots.txt不是一種強制措施，也根本沒有辦法強制阻止爬蟲抓取網站內容，當然如果網站有數據需要保密，必須采取加密的技術措施，比如說：用戶驗證，內容加密傳輸，ip白名單黑名單攔截，訪問頻率控制攔截等等技術手段來對惡意爬取進行規避。
在互聯網世界中，每天每時每刻都有不計其數的爬蟲在日夜不息地爬取數據，其中惡意爬蟲的數量遠遠高于非惡意爬蟲。但是并不是每個爬蟲都會主動遵守Robots協議。
惡意爬蟲可以帶來很多潛在威脅，比如電商網站的商品信息被爬取可能會被競爭對手利用，過多的爬蟲還會占用帶寬資源、甚至導致網站宕機。
反惡意爬蟲是一件漫長而艱巨的任務，如果依靠自身實力難以解決，可以借助業務風險分析平臺來反惡意爬蟲，根據自己的需求來定制功能。而且對于惡意爬蟲是可以對其進行電子取證，如果有涉及到對自身網站有造成經濟損失的，可以對惡意爬蟲所屬公司個人進行起訴要求賠償的。
